SAGA: Scene-Aware, Goal-Evolving Agents for Long-Horizon Strategy Game Planning
Author
- Haebom
Category
Empty
저자
Tianyu Jin, Shuo Chen, Yida Wang, Liuyu Xiang, Yingzhuo Liu, Yexin Li, Peipei Li, Zhaofeng He
💡 개요
본 논문은 문명과 같은 장기 전략 게임에서 발생하는 복잡한 계획 문제를 해결하기 위한 새로운 LLM 기반 에이전트 프레임워크인 SAGA를 제안합니다. SAGA는 공간 관계 추론, 효율적인 자원 할당, 지속적인 학습 기능을 갖춘 세 가지 핵심 메커니즘을 통해 기존 LLM 에이전트의 한계를 극복합니다. 제안된 방법론은 CivRealm 벤치마크에서 우수한 성능을 보여주며, 특히 도시 개발 분야에서 뛰어난 성과를 달성했습니다.
🔑 시사점 및 한계
•
공간 정보 활용 및 효율적인 계획: Map-Semantic Scene Graph를 통해 좌표를 의미 있는 공간 정보로 변환하고, Tool-Augmented Planner는 필요한 상태 정보만 추출하여 각 도메인별로 독립적인 계획을 생성함으로써 장기적 목표 달성을 위한 효율적인 의사결정을 지원합니다.
•
지속적인 학습 및 성능 향상: Dual-Horizon Feedback Loop를 통해 단기 목표를 설정하고 게임 종료 후 얻는 피드백을 다음 게임 학습에 활용함으로써, 에이전트의 전반적인 성능을 점진적으로 향상시킬 수 있습니다.
•
일반화 및 복잡한 게임 환경에서의 확장성: 본 연구는 CivRealm이라는 특정 벤치마크에서 성공을 거두었지만, 더 다양한 전략 게임 및 복잡한 환경에서의 SAGA의 일반화 성능과 확장성에 대한 추가적인 연구가 필요합니다.
